.png){kind=icon}
返回
A comparative study of sampling techniques for generating correlated multivariate normal random variates
.png){kind=icon}
PRE
AI
DOI：10.1007/s00180-026-01761-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究对四种生成相关多元正态随机变量的算法进行了比较评估。所选的生成单变量标准正态变量的技术包括中心极限定理方法、Box-Muller变换、简单逆变换近似法和多项式比率近似法。每种算法均使用Python实现，并通过均匀分布的伪随机输入进行验证。相关多元正态数据通过嵌入不相关样本的Cholesky分解技术生成。生成的变量通过卡方拟合优度检验、相关性分析和决定系数（R平方）评估进行统计验证。结果表明，SITA在单变量和多元测试中均达到最高精度和稳定性，R平方分别为0.998和0.996，其次是Box-Muller变换，R平方为0.993。相比之下，基于CLT和PRA的方法精度较低，R平方分别为0.982和0.941，尤其在更高阶的变量中。Cholesky分解有效保留了目标相关结构，理论与经验系数之间的偏差极小（最大偏差小于0.02）。这些发现表明，简单逆变换近似法与Cholesky嵌入相结合，为生成相关多元正态样本提供了一种计算高效且统计可靠的框架，适用于蒙特卡洛模拟、可靠性工程和随机建模。
Keyword:
Multivariate normal distribution
Random variate generation
Cholesky decomposition
Central limit theorem
Box-muller transformation
Inverse transform approximation
期刊
C
IF:
1.4
论文数:
102
被引数:
2.2K
机构
引用论文
暂无论文信息